Nested Sensitivity Envelopes for Transported Quantile Treatment Effects

Sintesi Tecnica: Inviluppi di Sensibilità Annidati per Effetti di Trattamento Quantilici Trasportati

Enunciato del Problema
Questo articolo affronta la sfida di stimare gli effetti di trattamento quantilici (QTE) per la popolazione target quando due ipotesi critiche di identificazione possono fallire simultaneamente: la validità interna della fonte (confondimento non misurato) e la trasportabilità condizionata dalla fonte alla target (spostamento distribuzionale). La struttura dei dati consiste in un campione di fonte con trattamento, esito e covariate osservati, e un campione target con solo covariate. A differenza degli effetti di trattamento medi, che sono lineari nella legge degli esiti potenziali condizionata, i QTE richiedono la caratterizzazione di limiti netti sulle funzioni di distribuzione controfattuali e la loro inversione. Tale inversione è non liscia nei punti di massa e nelle regioni piatte, complicando l'analisi di sensibilità. L'articolo studia il "caso più difficile" in cui sia il confondimento non misurato nella fonte sia gli spostamenti della distribuzione dell'esito tra le popolazioni di fonte e target sono ammessi a fallire in modi controllati.

Metodologia e Modello di Sensibilità
Gli autori impongono due restrizioni di sensibilità marginali per definire un modello di sensibilità congiunto:

1. Validità Interna della Fonte: Un modello di sensibilità del rapporto di probabilità marginale con parametro $\Gamma \ge 1$. Questo limita la deviazione della propensione al trattamento latente dalla propensione osservata, permettendo il confondimento non misurato.
2. Validità Esterna: Un limite del rapporto di verosimiglianza condizionato $\Lambda \ge 1$ per lo spostamento della distribuzione degli esiti potenziali dalla fonte alla target. Ciò permette alla distribuzione degli esiti potenziali target di essere una distorsione dipendente dall'esito della distribuzione di fonte.

L'innovazione metodologica centrale è la derivazione di un inviluppo di funzione di distribuzione cumulativa (CDF) controfattuale target netto in forma chiusa. Questo inviluppo è costruito annidando una mappa di sensibilità marginale di fonte all'interno di una mappa di spostamento dell'esito target. Nello specifico, per un braccio di trattamento $a$ e una soglia $y$, i limiti netti sono:
$$\psi^{\pm}_{a,s}(y) = E\{ T^{\pm}_{\Lambda} [ C^{\pm}_{\Gamma} (p_a(y, X), e_a(X)) ] \mid R=0 \}$$
dove $C^{\pm}_{\Gamma}$ sono i limiti netti della CDF di fonte sotto il modello del rapporto di probabilità, e $T^{\pm}_{\Lambda}$ sono le mappe nette di spostamento di trasporto sotto il modello del rapporto di verosimiglianza. Gli autori dimostrano che questa struttura annidata è netta a livello di processo, il che significa che i limiti sono raggiungibili come interi percorsi CDF, non solo come valori puntuali. Tale annidamento preserva due normalizzazioni separate (una per la selezione del trattamento, una per lo spostamento dell'esito), producendo limiti generalmente più stretti rispetto a un'unica rilassazione del prodotto del rapporto di verosimiglianza.

Contributi Chiave

1. Identificazione Netta: L'articolo fornisce una prova costruttiva che l'inviluppo CDF annidato è netto. Dimostra che la distribuzione di fonte meno favorevole (tramite distorsione inversa di selezione per soglia) e la distribuzione target meno favorevole (tramite distorsione dello spostamento dell'esito per soglia) possono essere composte per raggiungere i limiti. I conseguenti limiti netti quantilici target e i limiti dell'involucro degli intervalli QTE sono derivati invertendo questi inviluppi CDF.
2. Teoria Semiparametrica: Gli autori sviluppano una teoria semiparametrica efficiente per il processo di limite CDF non liscio.
   • Per insiemi di indici regolari (dove i pezzi affini attivi sono separati), derivano il gradiente canonico (funzione di influenza efficiente). Crucialmente, questo gradiente include un termine di contributo della propensione di fonte richiesto per gli studi osservazionali di fonte, assente nei disegni randomizzati.
   • Costruiscono stimatori one-step ortogonali di Neyman con cross-fitting che raggiungono linearità asintotica uniforme e approssimazione gaussiana su insiemi regolari.
   • Per insiemi di indici completi (coinvolgenti legami nell'insieme attivo, punti di massa o non liscietà), utilizzano la differenziabilità direzionale di Hadamard. Propongono inferenza basata sul subsampling per ottenere valori critici validi per il limite non gaussiano della norma sup indotto, evitando intervalli di Wald fragili.
3. Inferenza per i Frontieri: L'articolo tratta il frontiere di sensibilità bidimensionale $(\Gamma, \Lambda)$ come un oggetto statistico. Costruisce bande di confidenza simultanee per gli estremi dell'involucro degli intervalli QTE e definisce il "frontiere di rottura" come il livello in cui il valore nullo (zero) non è più escluso. L'inferenza per questo frontiere utilizza metodi di livello e subsampling per gestire la struttura non liscia.
4. Validazione Empirica: Attraverso studi di simulazione, l'articolo verifica la nettezza degli inviluppi in forma chiusa rispetto a programmi lineari a dimensione finita, dimostra la necessità della struttura annidata rispetto alle rilassazioni di prodotto e mostra che gli stimatori proposti mantengono una copertura onesta anche sotto apprendimento di variabili di disturbo ad alta dimensionalità e condizioni non regolari (punti di massa).

Risultati

• Identificazione: L'inviluppo annidato è strettamente più stretto di un'unica rilassazione del rapporto di verosimiglianza di prodotto in casi non banali, poiché la rilassazione di prodotto non riesce a imporre normalizzazioni intermedie.
• Stima: Nelle simulazioni con parametri di disturbo ad alta dimensionalità (stimati tramite machine learning), lo stimatore proposto di double/debiased machine learning (DML) con il gradiente canonico completo (incluso il termine di propensione) rimane conservativo e onesto. L'omissione del termine di propensione porta a un peggioramento del centraggio e dell'accuratezza.
• Inferenza: Si dimostra che gli intervalli di tipo Wald per gli estremi quantilici sono fragili e sottostimano la copertura in contesti non regolari (ad esempio, con punti di massa). Al contrario, l'inversione di bande CDF simultanee fornisce insiemi di confidenza onesti. I metodi di subsampling superano i metodi di bootstrap regolari nel localizzare il frontiere di rottura in regimi non regolari.
• Dati Reali: Un'applicazione ai dati NHEFS sulla cessazione del fumo illustra che le conclusioni sul trasporto puntuale (che suggeriscono un aumento di peso dal smettere di fumare) non sono robuste quando si permette una sensibilità congiunta al confondimento non misurato e allo spostamento di trasporto. L'analisi di sensibilità congiunta produce involucri di intervalli contenenti zero, indicando che la conclusione è sensibile alle ipotesi di validità.

Significato e Affermazioni
L'articolo afferma di fornire un quadro "ristretto ma difficile" per l'analisi di sensibilità simultanea della validità interna ed esterna per QTE trasportati. Il suo significato risiede nell'affrontare una catena non lineare di problemi: dagli inviluppi CDF condizionati ai processi CDF target, attraverso inverse generalizzate, fino agli insiemi di livello bidimensionali del frontiere. Gli autori sostengono che i metodi esistenti per la sensibilità dell'effetto medio o per QTE trasportati identificati puntualmente non coprono questa catena. Trattando il processo di limite CDF come oggetto primario, l'articolo raggiunge un'identificazione netta e un'inferenza onesta sia in regimi regolari che non regolari, offrendo un'alternativa robusta alle ipotesi di identificazione puntuale spesso non verificabili in contesti di generalizzazione. Il lavoro evita esplicitamente di affermare di identificare effetti di trattamento a livello di unità o di richiedere restrizioni congiunte sulla copula, concentrandosi invece sulle distribuzioni marginali degli esiti potenziali e sui loro involucri di intervalli netti.